很多时候，选择或决策是困难的 。人们不但会面临诸多两难选择，还经常受到情绪、偏好、认知水平等因素的影响 。同样，精准地预测人类的选择也非易事 。在人工智能（AI）和大数据相关技术日新月异的今天，将决策和预测决策结果“外包”给人工智能，也许是个不错的选择 。
■采访人员 张双虎
从个人衣食住行到国际间邦交誓盟，选择或决策无处不在 。
很多时候，选择或决策是困难的 。人们不但会面临诸多两难选择，还经常受到情绪、偏好、认知水平等因素的影响 。同样，精准地预测人类的选择也非易事 。在人工智能（AI）和大数据相关技术日新月异的今天，将决策和预测决策结果“外包”给人工智能，也许是个不错的选择 。
近日，上海大学悉尼工商学院（拟聘）副教授何黎胜和美国宾夕法尼亚大学Sudeep Bhatia合作发表在《科学》的文章，分析了深层神经网络模拟人类行为特征，在预测人类决策领域起到的重要作用 。
预测决策行为的瓶颈
以20%的概率得到100美元，或以80%的概率得到50美元 。如果面临这样的选择，你会选择哪个？
1979年，诺贝尔经济学奖获得者卡尼曼等人提出的前景理论（Prospect Theory）认为，人们在面临获得时往往小心翼翼，不愿冒风险；在失去时会很不甘心，更容易冒险 。人们对损失的痛苦感要大大超过获得时的快乐感 。
前景理论为人们理解决策者如何组织决策提供了模型，但用前景理论来模拟选择行为并非没有缺点 。依据前景理论提出新理论的研究者通常会对诸如感知、注意力、记忆和情感等过程，以及干扰和选择错误的原因做出复杂的假设 。
Sudeep Bhatia认为，这些理论本身只在“小数据集”的选择上进行测试，很少与“大数据集”的已有模型进行比较 。考虑到决策研究的跨学科历史和风险选择的复杂性，这是不可避免的：决策者很容易凭直觉对预期效用的偏差作出心理解释 。而且，很多新理论模型通常类似于先前发布的模型，许多理论在基准数据集上高度模仿彼此的预测 。
“尽管新理论模型产生的速度正在加快，但在过去20年中，这些数据集的预测精度几乎没有提高 。”何黎胜告诉《中国科学报》，“其根本原因是我们的认知系统具有高度复杂性 。”
何黎胜解释说，风险决策看似简单 。如果问大学生或高中生如何做风险决策，他们中的大多数人可能会说“我们先算出每个选项的期望价值，然后选择期望价值最高的选项” 。
但风险决策比这复杂得多，受到多种认知和情感因素影响 。以往研究者通过考虑这些影响因素，对风险决策行为提出了多种理论解释模型 。
“近20年来，这种‘小数据集+小模型’的研究范式遇到了瓶颈，主要表现为我们对决策行为的解释越来越多，但对决策行为的预测能力并没有显著提升 。”何黎胜说，“这很大程度上取决于常用的‘小数据集’和‘小模型’（与深度神经网络相比，常规的决策模型都是小模型）研究范式 。小数据集不足以支撑像深度神经网络这样的‘大模型’，而‘小模型’又不足以支撑决策过程中复杂的认知与情感因素 。”
“大模型”显身手
“人工智能技术虽然发展迅速，但计算机不会有人类意义上的感情，短期内也不可能产生人类特征的情绪 。”天津大学自动化学院副教授杨正瓴对《中国科学报》说，“这也许会成为人工智能的优势，让它在某些领域比人类做得更好 。比如，利用‘大数据’的人工智能决策，的确可以帮助人类减少决策失误 。”
近年来，不同学科之间的交叉研究提供了新的突破口，特别是行为决策、认知科学和机器学习等领域的交叉 。